论文部分内容阅读
随着全球化市场竞争的加剧以及国家对节能减排要求的提高,动态优化在现代工业过程中得到了越来越多的关注。传统的动态优化一般都需要建立过程对象的微分代数(DAE)方程形式的机理模型,但是由于过程的复杂性以及人们认识的局限性,要建立准确的机理模型显得十分困难。然而得益于计算机技术的进步和企业信息化水平的提高,现代工业企业可以很容易地获取大量的生产过程数据信息。为发掘企业的数据资源优化企业效益,本文研究了在PLS数据模型框架下的动态优化问题,为机理模型难获取情况下的过程动态优化问题提供了便利可行的解决办法。本文的主要研究工作包括：1、了解传统动态优化方法的相关特点是深入研究PLS框架下的动态优化方法的前提和基础。本文首先讨论了传统动态优化方法及相关改进方法。研究了工业过程中典型的动态优化问题——聚合反应过程牌号切换操作优化,建立了聚合反应过程的机理模型,构造了过渡过程的动态优化命题。为解决带路径约束的动态优化问题提出了一种改进的控制变量参数化方法。另外,考虑到梯度类算法在求解过程中需要提供大量梯度信息并且容易陷入局部极值点的问题,在遗传算法基础上构造了新的逐维进化算法,在得到全局最优点的同时能够保证较好的求解效率。2、针对过程对象准确的微分代数方程模型难以建立的情况,提出了一种基于过程输入输出数据模型的动态优化策略。该方法在PLS框架下为表征过程的动态和非线性特性,PLS内模型采用ARX串联神经网络(neural network,NN)的结构来描述。由于在建立对象的ARX-NNPLS模型的过程中已经对对象的动态特性进行了恰当描述,在基于ARX-NNPLS模型的动态优化策略中,不再需要进行变量的离散化处理也不需要进行DAE方程的迭代求解,从而使得优化计算时间相比传统的控制变量参数化方法大大减少。3、变量降维特性是PLS方法的一个重要优点。针对在基于PLS数据模型动态优化策略在变量数目较大时对变量约束处理起来工作量和计算量都较大的问题,提出了隐变量动态优化方法,其中采用跟隐变量相关的统计量来表示过程约束。通过引入隐变量优化方式,在隐变量空间中进行优化,能够在降低优化变量维数的同时简化约束条件处理,提高计算速度。4、快速有效地求解非线性动态优化问题是实现非线性模型预测控制(Nonlinear model predictive control, NMPC)的关键。本文将隐变量动态优化方法用于求解NMPC中的动态优化问题,同时控制变量的约束条件以T2统计量形式表示。采用隐变量优化方法可以保证NMPC滚动优化中出现的非线性动态优化求解问题的时效性。